論文の概要: Large-scale Long-tailed Disease Diagnosis on Radiology Images
- arxiv url: http://arxiv.org/abs/2312.16151v2
- Date: Thu, 28 Dec 2023 15:26:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-29 20:43:35.413603
- Title: Large-scale Long-tailed Disease Diagnosis on Radiology Images
- Title(参考訳): 放射線画像を用いた大規模長尾疾患診断
- Authors: Qiaoyu Zheng, Weike Zhao, Chaoyi Wu, Xiaoman Zhang, Ya Zhang, Yanfeng
Wang, Weidi Xie
- Abstract要約: 本研究では,放射線画像における大規模大語彙疾患分類の問題点について検討する。
i)データセット構築では、39,026ケース(192,675スキャン)を含む930のユニークなICD-10-CMコードとリンクした5568の障害を含む、学術的にアクセス可能な大規模診断データセットを構築します。
さらに,本研究の最終モデルは事前学習モデルとして機能し,様々な外部データセットの診断に役立てることができる。
- 参考スコア(独自算出の注目度): 59.37561810438641
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this study, we aim to investigate the problem of large-scale,
large-vocabulary disease classification for radiologic images, which can be
formulated as a multi-modal, multi-anatomy, multi-label, long-tailed
classification. Our main contributions are three folds: (i), on dataset
construction, we build up an academically accessible, large-scale diagnostic
dataset that encompasses 5568 disorders linked with 930 unique ICD-10-CM codes,
containing 39,026 cases (192,675 scans). (ii), on model design, we present a
novel architecture that enables to process arbitrary number of input scans,
from various imaging modalities, which is trained with knowledge enhancement to
leverage the rich domain knowledge; (iii), on evaluation, we initialize a new
benchmark for multi-modal multi-anatomy long-tailed diagnosis. Our method shows
superior results on it. Additionally, our final model serves as a pre-trained
model, and can be finetuned to benefit diagnosis on various external datasets.
- Abstract(参考訳): 本研究では, マルチモーダル, マルチ解剖学, マルチラベル, ロングテール分類として定式化できる, 放射線画像の大規模大語彙分類の問題について検討する。
主な貢献は3つあります
i) データセット構築において,930個のICD-10-CMコードに関連付けられた5568個の障害を含む学術的にアクセス可能な大規模診断データセットを構築し,39,026ケース(192,675スキャン)を含む。
(ii)モデル設計において,様々な画像モダリティから任意の数の入力スキャンを処理可能な新しいアーキテクチャを提案する。
(iii) 評価において, マルチモーダルマルチ解剖学的長期診断のための新しいベンチマークを初期化する。
本手法は優れた結果を示す。
さらに、最終モデルは事前訓練されたモデルとして機能し、様々な外部データセットの診断に役立てることができる。
関連論文リスト
- Training Small Multimodal Models to Bridge Biomedical Competency Gap: A
Case Study in Radiology Imaging [114.43429928419755]
バイオメディカル・コンピテンシー・ギャップを橋渡しするオープンソース小型マルチモーダル・モデル(SMM)の訓練について検討する。
LLaVA-Radは高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文 参考訳(メタデータ) (2024-03-12T18:12:02Z) - Deep Residual CNN for Multi-Class Chest Infection Diagnosis [1.8204773850586642]
本研究は,胸部感染症のマルチクラス診断のためのディープ残留畳み込みニューラルネットワーク(CNN)の開発と評価について検討する。
さまざまなソースから集約されたデータセット上でトレーニングされ、検証された実装モデルは、堅牢な全体的な精度93%を示した。
論文 参考訳(メタデータ) (2023-11-17T10:05:10Z) - Towards long-tailed, multi-label disease classification from chest
X-ray: Overview of the CXR-LT challenge [59.98679318097253]
診断医用画像検査など,現実的な画像認識の問題が数多く発生している。
診断は長い尾と多ラベルの問題であり、患者は複数の所見を呈することが多い。
我々は共通のテーマを合成し、長い尾を持つマルチラベルの医用画像分類のためのレコメンデーションを提供する。
論文 参考訳(メタデータ) (2023-10-24T18:26:22Z) - Towards Generalist Foundation Model for Radiology by Leveraging
Web-scale 2D&3D Medical Data [66.9359934608229]
この研究はRadFMと呼ばれるRadlogy Foundation Modelの開発を開始することを目的としている。
われわれの知る限りでは、これは2Dスキャンと3Dスキャンによる、最初の大規模で高品質な医療用ビジュアル言語データセットである。
本稿では,モダリティ認識,疾患診断,視覚的質問応答,レポート生成,合理的診断の5つのタスクからなる新しい評価ベンチマークRadBenchを提案する。
論文 参考訳(メタデータ) (2023-08-04T17:00:38Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - Medical Diagnosis with Large Scale Multimodal Transformers: Leveraging
Diverse Data for More Accurate Diagnosis [0.15776842283814416]
我々は「学習可能なシナジー」の新しい技術的アプローチを提案する。
我々のアプローチは容易に拡張可能であり、臨床ルーチンからのマルチモーダルデータ入力に自然に適応する。
臨床的に関連のある診断タスクにおいて、最先端のモデルよりも優れています。
論文 参考訳(メタデータ) (2022-12-18T20:43:37Z) - A Novel Automated Classification and Segmentation for COVID-19 using 3D
CT Scans [5.5957919486531935]
新型コロナウイルス(COVID-19)による肺のCT画像では、地上ガラスの濁度が専門的な診断を必要とする最も一般的な発見である。
一部の研究者は、専門知識の欠如による専門的診断専門医の代替となる、関連するDLモデルを提案する。
肺病変の分類では, 新型コロナウイルス, 肺炎, 正常の3種類で94.52%の精度が得られた。
論文 参考訳(メタデータ) (2022-08-04T22:14:18Z) - AMOS: A Large-Scale Abdominal Multi-Organ Benchmark for Versatile
Medical Image Segmentation [32.938687630678096]
AMOSは、腹部臓器の分節のための大規模で多様な臨床データセットである。
さまざまなターゲットとシナリオの下で堅牢なセグメンテーションアルゴリズムを研究する上で、難しい例とテストベッドを提供する。
我々は、この新たな挑戦的データセット上で既存の方法の現状を評価するために、最先端の医療セグメンテーションモデルをいくつかベンチマークする。
論文 参考訳(メタデータ) (2022-06-16T09:27:56Z) - Input Agnostic Deep Learning for Alzheimer's Disease Classification
Using Multimodal MRI Images [1.4848525762485871]
アルツハイマー病(英語: Alzheimer's disease、AD)は、記憶障害や機能障害を引き起こす進行性脳疾患である。
本研究では,通常の認知,軽度認知障害,ADクラスを分類するために,マルチモーダル・ディープ・ラーニング・アプローチを用いる。
論文 参考訳(メタデータ) (2021-07-19T08:19:34Z) - Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。
本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。
我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文 参考訳(メタデータ) (2020-06-06T06:48:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。